所谓“信息过载”，是指互联网上的内容量过大、导致信息无法及时消化。但这种情况在生命科学、特别是原始实验数据上体现得同样明显。
例如，制药企业就需要处理大量数据，包括化学分子如何在人体内实际起效。生物技术企业也面临着类似的挑战，例如转基因生物（GMO）对生态系统的影响、以及食油微生物在处理石油泄漏时的有效性等。医疗设备制造商同样需要权衡设备对于患者的风险，外包研究组织（CRO）与外包制造组织（CMO）则负责为生命科学客户提供项目支持。种种实际需求下，生命科学行业正全面转向人工智能（AI）及其技术子集（特别机器学习），希望探索出一条新的发展之路。
01
何谓生命科学产业？
生命科学产业涵盖一切通过产品和服务改善生物生命体征的研究、开发及制造类企业。虽然具体又细分为生物信息学、药妆品、食品加工和营养品等业务子项，但生命科学一般可分为四大主体领域：
药品——通过化学研究和合成工艺制造药品。
生物技术——利用微生物和植物等生物体开发产品（例如酿酒）。
医疗设备——通过仪器、设备、植入物、机器甚至是某些软件来治疗疾病。
CRO/CMO——以外包服务的形式为各类生命科学公司提供支持。
02
制药：以更低成本快速发现重要药物
总结来讲，AI及其技术子集在生命科学中的主要应用包括：
搜索并分类数据，以寻求可能的新药（药物发现）。
在对志愿者开展测试之前，通过深度学习确定新药对人体的潜在影响。
为临床试验寻找最佳受试者。
新药研发是一个缓慢且成本极高的过程，而且失败概率巨大。如今，AI已经被用于降低研发成本、提高研发成功率，同时更安全地推进整个探索流程。
03
生物技术：实现风险可控
AI在制药领域的应用也大多适用于生物技术，具体包括大规模数据分析、模拟新产品效果、以及管理临床试验数据。本轮新冠疫情下，已经有一款疫苗的快速研发源自AI技术的有力支持。
但与制药相比，生物技术主要有两大区别：第一，生物技术涵盖更多具体产业，包括农业、畜牧业、工业等。例如：
通过转基因细菌制造人工胰岛素。
饲养经过 CRISPR基因编辑的动物，为患有糖尿病和心力衰竭的病人提供移植器官。
培育抗病作物。
通过基因编辑提高奶牛产奶量。
通过改造原料和微生物特性研发新的酒水品类。
从大豆等作物中提取生物燃料。
其二就是涉及多种原材料。由于同生物相关，人们更担心技术失控问题。转基因微生物很可能会持续变异并引发负面影响，转基因生物同理。因此，机器智能必须能够对动物的育种记录进行深入分析，并在分子层面设计出虚拟测试以最大限度降低此类风险。
04
医疗设备：数据管理
如今的医疗设备早已脱离了普通人所能想象的范畴。X光机和CAT扫描仪等已经能够拍下清晰详尽的体内图像，以供放射科医师进行诊断。医院的ICU监控系统，能够为危重病人提供24/8全天候监控。现在的可穿戴设备，也让患者能够在家中通过医用平板电脑，监测自己的健康状况，同时将各项指标实时传输至几公里之外的医疗诊所。
但很遗憾，这些设备产生的数据总量过大，本就疲惫不堪的临床医生根本无暇亲自分析。因此，医疗设备制造商开始寄希望于AI技术。例如，先进的AI系统，可以帮助医生监测并管理糖尿病患者的胰岛素用量，或者帮助放射科医生从大量X光片中快速发现肿瘤迹象。
制造商们还希望借AI之力加快开发速度、降低开发成本，并以类似于制药和生物技术的应用方式提高产品的审批成功率。美敦力公司数据科学总监Toddy Morley在采访中就强调，“我们预计AI技术将广泛应用于制造业，也包括我们的供应链。几十年以来，产业工程师一直在制造业中运用统计学方法。然而，随着低成本传感器的全面普及和融合，丰富计算资源的出现，深度学习和图形建模等强大功能的面世，以及愈发准确可靠的AI方法，共同给制造业中的AI应用创造了新的商业机遇。”
05
CRO / CMO / CDMO：伸出援手
强生、诺和诺德以及雅培等分别是制药、生物技术和医疗器械领域的领军厂商。尽管实力雄厚，但他们在产品的开发和制造层面也面临着各自的难题。
为此，外包研究组织（CRO）与外包制造组织（CMO）主动伸出援手。他们专帮助客户测试、改进和宣传各类产品，业务涵盖新药、生物技术产品乃至医疗设备。CRO提花研发服务，CMO则专注于量产制造。而二者兼而有之的组织，则被称为外包开发与制造组织（CDMO）。
这些外包组织也在以类似的方式使用AI技术。CRO CellChorus率先在单细胞分析中运用AI，而CRO twoXAR则积极利用AI开展药物发现。这些公司会根据客户所处行业及实际需求的不同，灵活调整资源和技术使用思路。Sterling Pharma Solutions首席商务官Andrew Henderson这样总结CMO与CDMO两类角色：中型制药公司可以把资源集中在研发和商业化等核心业务上，省下制造环节的资金投入；大型制药企业则可以把部分业务战略性外包，更有效地利用自有资产。
06
写在最后
生命科学是一个庞大的研究领域，也有着可观的商业体量。绝大多数从业组织归属于四大基本类别：制药、生物技术、医疗设备制造和外包组织。随着海量数据的涌入，他们正在积极拥抱人工智能与机器学习，希望全面简化从数据挖掘到制造流程的整个业务链条。
